Jedes PDF verstehen ohne es zu lesen.
Klüger lesen. Null Uploads.
Ein lokales LLM liest Ihr Dokument und liefert in Sekunden strukturierte Einsichten.
100% privat
Ihre Dokumente verlassen nie Ihr Gerät. Die Inferenz läuft lokal via WebGPU.
Zwei offene Modelle
SmolLM2 1.7B oder Qwen2.5 1.5B — klein, schnell und erstaunlich fähig.
Für lange Dokumente
Lange PDFs werden abschnittsweise zusammengefasst und dann verdichtet.
Strukturierte Ausgabe
Markdown-fertige Zusammenfassungen, Kernpunkte und Entitätenlisten.
Dokumenten-Fragen & Verlauf
Stelle Fragen und greife auf jeden früheren Lauf zurück — Zusammenfassungen, Gliederungen und Antworten werden lokal aufbewahrt.
PDF, DOCX, TXT & Markdown
Word-Dokumente und Klartext funktionieren genau wie PDFs — Extraktion, Chunking und Inferenz auf dem Gerät.
Drei Schritte. Keine Server.
- 01
PDF hochladen
pdf.js extrahiert den Text Seite für Seite in deinem Browser. Es wird nichts hochgeladen.
- 02
Aufgabe & Modell wählen
Zusammenfassung, Kernpunkte, Entitätsextraktion oder eine eigene Frage – beantwortet von lokal laufendem SmolLM2 oder Qwen2.5.
- 03
Kurzübersicht lesen
Antworten werden beim Generieren gestreamt und lassen sich direkt als Markdown kopieren.
Über den PDF-Zusammenfasser und Dokumenten-Chat
Ein kostenloses Tool, das Dokumente zusammenfasst, Gliederungen und Entitätslisten erstellt und Fragen dazu beantwortet — mit einem Sprachmodell, das auf deinem Gerät läuft: keine API-Schlüssel, keine Uploads, keine Seitengebühren. Es richtet sich an Studierende mit Leselisten, Forschende beim Vorsortieren von Papern und Fachleute, die aus langen Berichten und Verträgen die Fakten brauchen.
PDF, DOCX, TXT und Markdown funktionieren gleichermaßen, zwei kleine Open-Weight-Modelle stehen zur Wahl, und jeder Lauf wird in einer lokalen Historie gespeichert, zu der du Wochen später zurückkehren kannst.
So funktioniert es
Der Dokumententext wird auf dem Gerät extrahiert: pdf.js durchläuft eine PDF Seite für Seite, DOCX wird lokal entpackt, Text und Markdown direkt gelesen. Dokumente, die in ein Kontextfenster passen, werden in einem Durchgang analysiert; längere werden an Seitengrenzen in etwa 8.000 Zeichen große Teile geteilt. Jeder Teil wird separat zusammengefasst (Map), und die Teilzusammenfassungen werden zu einem finalen Brief destilliert (Reduce), sodass das Ergebnis das ganze Dokument abdeckt und nicht nur seinen Anfang.
Antworten werden Token für Token gestreamt, mit Live-Fortschritt in der Teil-Phase. Alles lässt sich als einbaufertiges Markdown exportieren.
Sechs Aufgaben, zwei Modelle
Sechs Aufgabenmodi decken die üblichen Jobs ab: Zusammenfassung beginnt mit einem einabsätzigen Überblick und den wichtigsten Punkten; Kernpunkte zieht Fakten, Zahlen, Termine und Aktionselemente in eine Liste; Gliederung erzeugt eine hierarchische Markdown-Gliederung der Gesamtstruktur; Entitäten gruppiert Personen, Organisationen, Orte, Daten und Begriffe; Einfach erklärt schreibt das Dokument in verständlicher Sprache für eine:n Schüler:in um; und Frage beantwortet nur aus dem Dokumentinhalt und teilt mit, wenn die Antwort nicht enthalten ist.
Zwei quantisierte (q4f16) ONNX-Modelle laufen lokal via Transformers.js: HuggingFaceTB/SmolLM2-1.7B-Instruct (ca. 1 GB) und onnx-community/Qwen2.5-1.5B-Instruct (ca. 1,1 GB). Beide antworten in der Dokumentsprache, sofern deine Frage nicht in einer anderen Sprache gestellt ist.
Lokale Laufhistorie
Jeder erfolgreiche Lauf — Dokumentname, Aufgabe, Modell, Frage, Dauer, Seitenzahl und komplette Ausgabe — wird im Local Storage deines Browsers gespeichert. Die Historie stellt einen früheren Brief wieder her, erlaubt erneutes Kopieren oder das Löschen einzelner Einträge; weil es kein Konto gibt, wird nichts in eine Cloud synchronisiert. Der Gratis-Tarif behält die 20 jüngsten Läufe, Pro 100, der älteste Eintrag rollt automatisch ab.
WebGPU, CPU-Modus und gescannte PDFs
Chrome oder Edge mit WebGPU sind stark empfohlen: Die Erzeugung ist fast gesprächsnah. Ohne WebGPU laufen die Modelle via WebAssembly auf der CPU — alle Aufgaben funktionieren, ein langes Dokument kann aber dauern, und die Oberfläche warnt dich vorher ehrlich. Reine Bild-PDFs haben keine lesbare Textebene; das wird erkannt und zuerst auf das OCR-Werkzeug verwiesen. Modelle werden einmal vom offenen Hub geladen und für Offline-Nutzung gecacht.
Kostenlose Grenzen und Pro
Der Gratis-Tarif verarbeitet Dokumente bis 120 Seiten bei unbegrenzten Läufen und 20 Einträgen lokaler Historie. Pro hebt auf 600 Seiten und 100 Läufe an. Ein Dokument über dem Limit trägt seine ersten Seiten bei, mit klarer Meldung zur Anzahl übersprungener Seiten; eine Upload-Grenze gibt es nicht, weil überhaupt nichts hochgeladen wird — die praktische Decke sind Speicher und Geduld deines Geräts. Beide Tarife inkludieren kommerzielle Nutzung ohne Wasserzeichen oder Monatsquote.
Ehrliche Erwartungen und Datenschutz
Ein lokales Modell mit 1,5–1,7 Milliarden Parametern fasst treu zusammen und beantwortet textverankerte Faktenfragen gut, ist aber kein Frontier-Chatbot aus der Cloud: Behandle seine Ausgabe bei offenem Schlussfolgern als schnellen Entwurf und prüfe Zahlen an der Quelle. Die Modellkarten von SmolLM2 und Qwen2.5 sind auf dem Hub öffentlich.
Papiere, Verträge, Arztunterlagen und interne Notizen verlassen deine Maschine auch nach dem einmaligen Modell-Download nicht. Genau das ist der Kern des Werkzeugs: Material, das man nie in eine Cloud-LLM einfügen würde, lässt sich sicher zusammenfassen.